Ermittlung eines Ursache-Wirkungs-Zusammenhangs
Wie ermitteln wir einen Ursache-Wirkungs-Zusammenhang (Kausalzusammenhang)? Welche Kriterien müssen wir erfüllen? Im Allgemeinen gibt es drei Kriterien, die Sie erfüllen müssen, bevor Sie sagen können, dass Sie Beweise für eine kausale Beziehung haben:
Zeitlicher Vorrang
Erstens müssen Sie in der Lage sein zu zeigen, dass Ihre Ursache vor Ihrer Wirkung passiert ist. Klingt einfach, oder? Natürlich muss meine Ursache vor der Wirkung eintreten. Haben Sie schon einmal von einer Wirkung gehört, die vor ihrer Ursache eintritt? Bevor wir uns hier in der Logik verlieren, betrachten wir ein klassisches Beispiel aus der Wirtschaft: Verursacht Inflation Arbeitslosigkeit? Es scheint sicherlich plausibel, dass bei steigender Inflation mehr Arbeitgeber feststellen, dass sie Mitarbeiter entlassen müssen, um die Kosten zu decken. Es scheint also, dass die Inflation zumindest teilweise eine Ursache für die Arbeitslosigkeit sein könnte. Aber sowohl die Inflation als auch die Beschäftigungsraten treten laufend zusammen auf. Ist es möglich, dass Schwankungen in der Beschäftigung die Inflation beeinflussen können? Wenn die Zahl der Erwerbstätigen steigt (d.h. die Arbeitslosigkeit sinkt), kann die Nachfrage nach Gütern steigen, was die Preise tendenziell in die Höhe treiben würde (d.h. die Inflation), zumindest bis das Angebot aufholen kann. Was ist also die Ursache und was die Wirkung, Inflation oder Arbeitslosigkeit? Es stellt sich heraus, dass in einer solchen zyklischen Situation mit laufenden Prozessen, die sich gegenseitig beeinflussen, das eine das andere verursachen und wiederum vom anderen beeinflusst werden kann. Das macht es sehr schwer, in dieser Situation eine kausale Beziehung herzustellen.
Kovarianz von Ursache und Wirkung
Was bedeutet das? Bevor Sie zeigen können, dass Sie eine kausale Beziehung haben, müssen Sie zeigen, dass Sie irgendeine Art von Beziehung haben. Betrachten Sie zum Beispiel den Syllogismus:
wenn X, dann Y
wenn nicht X, dann nicht Y
Wenn Sie beobachten, dass, wann immer X anwesend ist, auch Y anwesend ist, und wann immer X abwesend ist, auch Y, dann haben Sie gezeigt, dass es eine Beziehung zwischen X und Y gibt. Ich weiß nicht, wie es Ihnen geht, aber manchmal finde ich es nicht einfach, über X und Y nachzudenken. Lassen Sie uns den gleichen Syllogismus in Begriffen der Programmevaluation ausdrücken:
wenn Programm, dann Ergebnis
wenn nicht Programm, dann nicht Ergebnis
Oder, umgangssprachlich ausgedrückt: wenn man ein Programm gibt, beobachtet man das Ergebnis, aber wenn man das Programm nicht gibt, beobachtet man das Ergebnis nicht. Damit ist der Beweis erbracht, dass Programm und Ergebnis zusammenhängen. Beachten Sie jedoch, dass dieser Syllogismus keinen Beweis dafür liefert, dass das Programm das Ergebnis verursacht hat – vielleicht gab es einen anderen Faktor, der mit dem Programm vorhanden war, der das Ergebnis verursacht hat, und nicht das Programm. Die bisher beschriebenen Beziehungen sind eher einfache binäre Beziehungen. Manchmal wollen wir wissen, ob unterschiedliche Mengen des Programms zu unterschiedlichen Mengen des Ergebnisses führen – eine kontinuierliche Beziehung:
wenn mehr von dem Programm, dann mehr von dem Ergebnis
wenn weniger von dem Programm, dann weniger von dem Ergebnis
Keine plausiblen alternativen Erklärungen
Nur weil man zeigt, dass es eine Beziehung gibt, bedeutet das nicht, dass es eine kausale ist. Es ist möglich, dass es eine andere Variable oder einen anderen Faktor gibt, der das Ergebnis verursacht. Dies wird manchmal als das Problem der „dritten Variable“ oder „fehlenden Variable“ bezeichnet und ist der Kern des Problems der internen Validität. Was sind einige der möglichen plausiblen alternativen Erklärungen? Schauen Sie sich einfach die Bedrohungen für die interne Validität an (siehe Bedrohung durch eine einzelne Gruppe, Bedrohung durch mehrere Gruppen oder soziale Bedrohung) – jede beschreibt eine Art von alternativer Erklärung.
Damit Sie argumentieren können, dass Sie die interne Validität nachgewiesen haben – dass Sie gezeigt haben, dass es eine kausale Beziehung gibt – müssen Sie die plausiblen alternativen Erklärungen „ausschließen“. Wie machen Sie das? Eine der wichtigsten Möglichkeiten ist Ihr Forschungsdesign. Betrachten wir eine einfache Bedrohung der internen Validität durch eine einzelne Gruppe, eine historische Bedrohung. Nehmen wir an, Sie messen Ihre Programmgruppe, bevor sie mit dem Programm beginnt (um eine Baseline zu etablieren), Sie geben ihnen das Programm und messen dann ihre Leistung in einem Posttest danach. Sie sehen eine deutliche Verbesserung der Leistung, die Sie auf Ihr Programm zurückführen möchten. Eine der plausiblen alternativen Erklärungen ist, dass Sie ein historisches Risiko haben – es ist nicht Ihr Programm, das den Zuwachs verursacht hat, sondern ein anderes spezifisches historisches Ereignis. Zum Beispiel ist es nicht Ihre Anti-Raucher-Kampagne, die den Rückgang des Rauchens verursacht hat, sondern der letzte Bericht des Surgeon General, der zufällig zwischen dem Zeitpunkt, an dem Sie den Vortest und den Nachtest durchgeführt haben, veröffentlicht wurde. Wie schließen Sie das mit Ihrem Forschungsdesign aus? Eine der einfachsten Möglichkeiten wäre die Verwendung einer Kontrollgruppe – eine Gruppe, die mit Ihrer Programmgruppe vergleichbar ist, mit dem einzigen Unterschied, dass sie das Programm nicht erhalten hat. Aber sie haben den letzten Bericht des Surgeon General erlebt. Wenn Sie herausfinden, dass die Kontrollgruppe keinen Rückgang des Rauchens zeigt, obwohl sie denselben Surgeon-General-Bericht erlebt hat, haben Sie den Surgeon-General-Bericht als plausible alternative Erklärung für den beobachteten Rückgang des Rauchens effektiv „ausgeschlossen“.
In den meisten angewandten Sozialforschungen, die die Evaluation von Programmen beinhalten, ist der zeitliche Vorrang kein schwer zu erfüllendes Kriterium, da Sie das Programm verabreichen, bevor Sie die Effekte messen. Und der Nachweis der Kovariation ist relativ einfach, weil man eine gewisse Kontrolle über das Programm hat und die Dinge so einrichten kann, dass einige Leute es bekommen und andere nicht (wenn X und wenn nicht X). Das am schwierigsten zu erfüllende Kriterium ist in der Regel das dritte – der Ausschluss alternativer Erklärungen für den beobachteten Effekt. Das ist der Grund, warum das Forschungsdesign so wichtig ist und warum es eng mit der Idee der internen Validität verbunden ist.